Home

Awesome

Research

发布基于飞桨的前沿研究工作，包括CV、NLP、KG、STDM等领域的顶会论文和比赛冠军模型。

目录

计算机视觉

任务类型目录简介论文链接
图像检索GNN-Re-Ranking基于GNN的快速图像检索Re-Ranking。https://arxiv.org/abs/2012.07620v2
车流统计VehicleCountingAICITY2020 车流统计竞赛datasetA TOP1 方案。-
车辆再识别PaddleReid给定目标车辆，在检索库中检索同id车辆，支持多种特征子网络。-
车辆异常检测AICity2020-Anomaly-Detection在监控视频中检测车辆异常情况，例如车辆碰撞、失速等。-
医学图像分析AGEchallenge任务：在AS-OCT图像的公共数据集上进行闭角型分类和巩膜突点定位；基线模型：对应以上各任务的基线模型。-
光流估计PWCNet基于金字塔式处理，逐层学习细部光流，设计代价容量函数三原则的CNN模型，用于光流估计。https://arxiv.org/abs/1709.02371
语义分割SemSegPaddle针对多个数据集的图像语义分割模型的实现，包括Cityscapes、Pascal Context和ADE20K。-
轻量化检测astar2019百度之星轻量化检测比赛评测工具。-
地标检索与识别landmark基于检索的地标检索与识别系统，支持地标型与非地标型识别、识别与检索结果相结合的多重识别结果投票和重新排序。https://arxiv.org/abs/1906.03990
图像分类webvision2018模型利用重加权网络(URNet)缓解web数据中偏倚和噪声的影响，进行web图像分类。https://arxiv.org/abs/1811.00700
图像分类CLPI模型利用一个Lesion Generator改善了糖尿病视网膜病变图像分级的模型性能，理论上可用于所有希望实现局部+整体模型分析的场景-
图像分类[RSNA-IHD](CV/Effective Transformer-based Solution for RSNA Intracranial Hemorrhage Detection)提出了一种有效的颅内出血检测(IHD)方法，其性能超过了在RSNA-IHD竞赛(2019)中获胜的解决方案。与此同时，与获胜者的解决方案相比，我们的模型只有其20%的参数量和10%的FLOPshttps://arxiv.org/abs/2205.07556
小样本学习PaddleFSL小样本学习工具包，可复现多个常用基线方法在多个图片分类数据集上的汇报效果-
迁移学习SMILE提出了一种自蒸馏样本混合迁移学习框架，适用于小样本图片分类https://arxiv.org/abs/2103.13941

自然语言处理

任务类型目录简介论文链接
中文词法分析LAC(Lexical Analysis of Chinese)百度自主研发中文特色模型词法分析任务，集成了中文分词、词性标注和命名实体识别任务。输入是一个字符串，而输出是句子中的词边界和词性、实体类别。-
主动对话DuConv机器根据给定知识信息主动引领对话进程完成设定的对话目标。https://www.aclweb.org/anthology/P19-1369/
语义解析Text2SQL-BASELINE输入自然语言问题和相应的数据库，生成与问题对应的 SQL 查询语句，通过执行该 SQL 可得到问题的答案。-
多轮对话DAM开放领域多轮对话匹配的深度注意力机制模型，根据多轮对话历史和候选回复内容，排序出最合适的回复。http://aclweb.org/anthology/P18-1103
阅读理解DuReader数据集：大规模、面向真实应用、由人类生成的中文阅读理解数据集，聚焦于真实世界中的不限定领域的问答任务；基线系统：针对DuReader数据集实现的经典BiDAF模型。https://www.aclweb.org/anthology/W18-2605/
关系抽取ARNOR数据集：用于对远程监督关系提取模型进行句子级别的评价；模型：基于注意力正则化识别噪声数据，通过bootstrap方法逐步选择出高质量的标注数据。https://www.aclweb.org/anthology/P19-1135/
机器翻译JEMT模型的输入端包括文字信息及发音信息，嵌入层融合文字信息和发音信息进行翻译。https://arxiv.org/abs/1810.06729
阅读理解KTNET模型将知识库中的知识整合到预先训练好的上下文表示中，利用丰富的知识增强机器阅读理解的预训练语言表示。https://www.aclweb.org/anthology/P19-1226
对话生成PLATO基于隐空间的端到端的预训练对话生成模型，可以灵活支持多种对话，包括闲聊、知识聊天、对话问答等。http://arxiv.org/abs/1910.07931
阅读理解DuReader-Robust-BASELINE数据集：DuReader-robust，中文数据集，用于全面评价机器阅读理解模型的鲁棒性；基线系统：针对该数据集，基于ERNIE实现的阅读理解基线系统。https://arxiv.org/abs/2004.11142
对话生成AKGCM包含知识增强图、知识选择和知识感知响应生成器的聊天机器人。https://www.aclweb.org/anthology/D19-1187/
机器翻译MAL多智能体端到端联合学习框架，通过多个智能体的互相学习提升翻译质量。https://arxiv.org/abs/1909.01101
对话生成MMPMS针对开放域对话中一对多问题，利用多映射机制和后验映射选择模块进行多样性、丰富化的对话生成。https://arxiv.org/abs/1906.01781
阅读理解MRQA2019-BASELINE机器阅读理解任务的基线模型，基于ERNIE预训练模型，支持多GPU微调预测。-
阅读理解D-NET预训练及微调框架，包含多任务学习及多预训练模型的融合，用于阅读理解模型的生成。https://www.aclweb.org/anthology/D19-5828/
建议挖掘MPM利用多视角架构来学习表示和双向transformer编码器进行论坛评论建议挖掘。https://www.aclweb.org/anthology/S19-2216/
多文档摘要ACL2020-GraphSum基于图表示的生成式多文档摘要模型，将显式图结构信息引入到端到端摘要生成过程中。https://www.aclweb.org/anthology/2020.acl-main.555.pdf
融合多种对话类型的对话式推荐ACL2020-DuRecDial提出新任务：融合闲聊、任务型对话、问答和推荐等多种对话类型的对话式推荐，构建DuRecDial数据集，提出具有多对话目标驱动策略机制的对话生成框架。https://www.aclweb.org/anthology/2020.acl-main.98/
面向推荐的对话Conversational-Recommendation-BASELINE融合人机对话系统和个性化推荐系统，定义新一代智能推荐技术，该系统先通过问答或闲聊收集用户兴趣和偏好，然后主动给用户推荐其感兴趣的内容，比如餐厅、美食、电影、新闻等。-
稠密段落检索ACL2021-PAIR基于以段落相似度为中心的相似度关系提升稠密段落检索，基于知识蒸馏进行采样，采用两阶段训练方式。https://aclanthology.org/2021.findings-acl.191/
任务式对话EMNLP2022-Q-TOD自然语言查询驱动的任务式对话系统，提出由查询生成、知识检索和回复生成组成的三阶段新框架。https://arxiv.org/abs/2210.07564

知识图谱

任务类型目录简介论文链接
知识图谱表示学习CoKE百度自主研发语境化知识图谱表示学习框架CoKE，在知识图谱链接预测和多步查询任务上取得学界领先效果。https://arxiv.org/abs/1911.02168
关系抽取DuIE_Baseline语言与智能技术竞赛关系抽取任务DuIE 2.0基线系统，通过设计结构化标注体系，实现基于ERNIE的端到端SPO抽取模型。-
事件抽取DuEE_baseline语言与智能技术竞赛事件抽取任务DuEE 1.0基线系统，实现基于ERNIE+CRF的Pipeline事件抽取模型。-
实体链指DuEL_Baseline面向中文短文本的实体链指任务(CCKS 2020)的基线系统，实现基于ERNIE和多任务机制的实体链指模型。-
辅助诊断SignOrSymptom_Relationship针对EMR具有无结构化文本和结构化信息并存的特点，结合医疗NLU，以深度学习模型实现EMR的向量化表示、诊断预分类和概率计算。-
文档级关系抽取SSAN引入并建模实体间的依赖结构，在文档级关系抽取任务上取得学界领先效果。https://arxiv.org/abs/2102.10249

时空数据挖掘

任务类型目录简介论文链接
固定资产价值估计MONOPOLY实用的POI商业智能算法，对大量其他的固定资产进行价值估计，包括城市居民对不同公共资产价格评估、私有房价评估偏好的发现与量化分析，以及对评估固定资产价格需考虑的空间范围的确定。https://dl.acm.org/doi/10.1145/3357384.3357810
兴趣点生成P3AC具备个性化的前缀嵌入的POI自动生成。-
区域生成P3AC基于路网进行区域划分的方法, 实现对特定区域基于路网的全划分，区域之间无交叠，无空隙，算法支持对全球的区域划分。-

许可证书

此向导由PaddlePaddle贡献，受Apache-2.0 license许可认证。